1. 3行でわかる／読む前に／シリーズの中での位置

• GNN は、結晶や分子を「原子＝点、近い原子の組＝線」のグラフとして読み、線に沿って「近所の情報を集める」操作を何回か繰り返して、物性値を予測する機械学習です。結晶向けの代表例である CGCNN（2018）は、Materials Project の 46,744 件の結晶で学習し、生成エネルギーの予測誤差（MAE）0.039 eV/原子を報告しました事実［参考資料1］
• 強みは、「材料の名刺」を人が設計しなくても、原子の並びそのものから特徴を学べることです。弱みは、原子の位置（構造）が要ること、学習データが少ないと不利なこと、学習した範囲の外が苦手なことです。Matbench の著者らは、結晶グラフの手法は「約10⁴件以上のデータで従来手法を上回るように見える」と述べています事実［参考資料2］
• 論文の誤差の数字は、「DFT の値との差」であって、「実験との差」ではありません。また、「AI が220万の安定な構造を見つけた」（GNoME）は、DFT による計算上の予測であり、既に実験で報告されていた構造との一致は736件です。予測と実験は分けて読みます事実［参考資料3］

2. なぜ「グラフ」なのか ― 名刺から、つながりの図へ

化学の授業で習う構造式を思い出してください。炭素や酸素を「点」、結合を「線」で描いた図です。駅を点、線路を線にした路線図とよく似ています。化学の世界では、このような図（化学グラフ）が19世紀から使われてきました事実［参考資料4］。GNN は、この「点と線の図」を、コンピュータがそのまま読めるようにしたものです。

では、従来のやり方はどうだったでしょうか。材料を機械学習にかけるとき、よく使われるのは記述子（名刺）です。たとえば「平均の電気陰性度」「イオン半径の平均」のように、組成や構造から人が考えた数字を並べます。少ないデータでも使えるのが長所です。一方、同じ組成で原子の並びが違う材料（たとえば炭素のダイヤモンドと黒鉛）は、名刺が似てしまうことがあります。

表の整理は本稿の計算（整理）。Reiser ら［参考資料4］の説明、Matbench の記述［参考資料2］にもとづく解説。

3. 原子を点、結合を線に ― 分子と結晶のグラフ

グラフの作り方は、分子と結晶で少し違います。

元のSVG・数値・出典を確認する

元SVGの説明：概念図（ベクター作図）。分子（エタノール）と結晶（2次元の模式図）を、グラフにする考え方。結晶では、カットオフ半径の中の原子と線で結び、セルの外のコピーとも結ぶ。

• 分子：原子を点、化学結合を線にします。エタノール（C₂H₅OH）なら、点が9個です。分子の構造式は、そのままグラフになっています。
• 結晶：結合の線がはっきり決まらないことが多いので、「ある距離（カットオフ半径）の中にいる原子どうしを線で結ぶ」という決め方がよく使われます。結晶は同じ並びが繰り返されるので、セル（繰り返しの単位）の外のコピーの原子とも線を結びます（周期境界条件）。その結果、同じ2つの原子の間に複数の線が引かれることもあります（多重グラフ）事実［参考資料1］
• 点に持たせる情報：CGCNN は、元素の9つの性質（族、周期、電気陰性度、共有結合半径、価電子の数、第一イオン化エネルギー、電子親和力、ブロック、原子体積）を点の情報にしました。結晶向けの MEGNet は原子番号と距離だけを使います事実［参考資料1・5］。使う情報が少なくても、学習の中で元素の性質をつかみ直せるという考え方です。

4. 近所の情報を集める ― メッセージパッシング

GNN の中心の操作はメッセージパッシング（近所から情報を受け取って自分を更新すること）です。身近な例で考えます。職場の席で、となりの人の話を聞いて、自分の考えを少し更新する。これをみんなが同時にやり、さらに数回繰り返すと、となりのとなりの人の話も、少しずつ届きます。

元のSVG・数値・出典を確認する

元SVGの説明：概念図（ベクター作図）。メッセージパッシングの概念図。更新を重ねるほど、遠くの原子の情報が、注目している原子（橙）に届く。

1. 持つ：各原子は、数字の列（ベクトル）を持っています。最初は元素の種類から決めた数字です。
2. 受け取る：となりの原子から、数字（と距離の情報）を受け取ります。
3. 更新する：自分の数字に、受け取った数字のまとめ（合計や平均）を、学習した重みで調整して足します。

これを K 回繰り返します。Gilmer らは、この枠組みをメッセージ関数（何を送るか）、更新関数（どう更新するか）、読み出し関数（最後にどうまとめるか）の3つで表しました。CGCNN や SchNet、MEGNet など、化学・材料向けの多くの GNN は、この枠組みの変形として書けます事実［参考資料6・4］。

小さな数値例で確かめる

実際のモデルより単純なおもちゃの例で、動きを確かめましょう。A−B−C の3原子が一列につながっています。各原子の最初の数字は A=1、B=3、C=2 です。更新のルールを「新しい値＝自分の値＋0.5×（となりの値の平均）」とします（実際の GNN の式ではなく、説明用の例です）。

表の数値は本稿の計算（おもちゃの例。実際のモデルの式や値ではありません）。

表から2つのことが分かります。① Cの値を変えても、Aの1回更新後の値は変わりません（AはCと直接つながっていないため）。② 2回更新すると、Aの値にCの変化が届きます。更新の回数が、「どこまで遠くの原子の影響を受けるか」を決めるのです。また、「となりの値の平均」を使っているので、となりの原子を並べる順番を変えても結果は同じになります。原子には本来、順番がありません。この性質（順序に依存しないこと）は、Gilmer らも読み出し関数に求めています事実［参考資料6］。

もっと詳しく：CGCNN の更新式（式が苦手な方は飛ばして構いません）

CGCNN の更新式は、文章で書くと「新しい値＝古い値＋Σ（ゲート×近所からの情報）」です。Σは、線でつながった近所すべてについての合計です。ゲートは 0〜1 の数字（シグモイド関数）で、「この近所の情報をどのくらい通すか」を決めます。ゲートが学習で決まるので、弱い結合の影響を自動で小さくできると著者らは述べています。ゲートのない単純な版（近所すべてに同じ重みを使う）と比べて、検証データでの生成エネルギーの誤差は 0.136 eV/原子から 0.039 eV/原子に下がりました事実［参考資料1］。「どう混ぜるか」の設計で、結果が大きく変わるという例です。

5. 全体をまとめて予測値に ― 読み出しと学習

更新が終わると、原子ごとの数字が残ります。ここから、結晶全体の1つの物性値（たとえば生成エネルギー）を出すには、全原子の数字を1つにまとめます（読み出し、プーリング）。CGCNN は全原子の数字の平均を取ります。平均なら、原子の並べ方や、セルの取り方（同じ結晶でも大きめのセルで数える場合）が違っても、結果が大きく変わりません事実［参考資料1］。この後、小さなニューラルネットワークが、まとめた数字を物性値に変換します。

学習のしかたは、他の機械学習と同じです。DFT で計算した値を「正解」として、予測との差（誤差）が小さくなるよう、重みを少しずつ直します。人が決めるのは、カットオフ半径、更新の回数、点や線に載せる情報などです（ハイパーパラメータ）。CGCNN の例では、Materials Project の46,744件の結晶（87元素）から、ランダムに60％を学習、20％を検証（設定の選択）、20％をテストに使いました事実［参考資料1］。

6. 代表的なモデルの系譜

GNN の主なモデルを、年代順に並べます。各モデルは学習データも評価の条件も違うため、この表で優劣は分かりません。「何が新しかったか」の整理として読んでください。

各行の数字は、それぞれの論文の条件での値です（データセット・分割・指標が異なる）。表の整理は本稿の計算（整理）。確認日 2026年10月22日。

表の下半分（M3GNet、CHGNet、NequIP、MACE）は、原子にかかる力まで出せるため、機械学習原子間ポテンシャルとして使われます（詳しくは本シリーズ「機械学習原子間ポテンシャル」編）。

7. 距離だけか、向きも使うか ― 不変と等変

物理には、「空間の向きを変えても、本質は変わらない」という大事な性質があります。水の分子を机の上で回しても、エネルギーは変わりません。しかし、原子にかかる力は向きを持つ矢印なので、分子を回せば、矢印も一緒に回ります。

• 不変（invariant）：回しても値が変わらない。エネルギーのような1つの数値がそうです。距離や角度は回転で変わらないので、距離と角度だけを使うモデル（CGCNN、MEGNet、SchNet、M3GNet など）は、エネルギーが回転に対して不変になります事実［参考資料4］。
• 等変（equivariant）：回すと、値も同じように回る。力の矢印がそうです。NequIP などは、特徴を単なる数値ではなく向きを持つ量（ベクトルなど）として持ち、向きの情報を最後まで使います。出力のエネルギーは不変で、力はその微分として求まります事実［参考資料10］。

NequIP の著者らは、「従来より最大3桁少ない学習データで同等以上の精度」を主張し、水と氷の例では133個の構造で学習して、約13万個の構造で学習した別の手法（DeepMD）より、力の誤差が小さいと報告しています（エネルギーの誤差は、学習データの多い DeepMD のほうが小さいとも述べています）。また、向きを持たない版（l=0）と、持つ版を比べ、等変にすると一貫して精度が上がったと述べています。ただし、なぜ等変だとデータが少なくて済むのかは、理論的にまだ分かっていないとも書いています事実［参考資料10］。MACE は、高次の情報（4体）を一度に送ることで、更新の回数を2回に減らし、速さと精度を両立させたと主張しています事実［参考資料11］。

8. どこまで遠くが見えるか ― カットオフと更新回数

素材の性質には、近くの原子だけでなく、少し離れた原子の影響もあります。GNN が見える範囲は、2つで決まります。1回の更新で届く距離＝カットオフ半径と、更新の回数 Kです。上限は「K × カットオフ半径」です。

• 面心立方の格子（格子定数 4.2 Å の例）で数えると、カットオフ4 Å で12原子、5 Å で18原子、6 Å で54原子が入ります本稿の計算。半径を少し広げるだけで、近所の数が大きく増えます。
• カットオフ5 Å で K=3 回更新すれば、上限は15 Å で、約766原子が範囲に入ります本稿の計算。範囲は広がりますが、計算量も増えます。
• これらの数字は格子の例を数えただけで、実在の材料に合わせた値ではありません。論文のカットオフは、CGCNN が6 Å（近傍の探索）、M3GNet が5 Å（3体は4 Å）、GNoME が構造モデルで4 Å・ポテンシャルで5 Å です事実［参考資料1・12・3］。

9. 精度の数字の読み方

論文には「誤差 0.039 eV/原子」のような数字が並びます。素材技術者が読むときに、確かめることを順に説明します。

(1) 何と比べた誤差か

CGCNN の誤差は、DFT で計算した値との差です（実験値との差ではありません）。論文は、モデルの誤差 0.039 eV/原子を、別の研究（Kirklin ら）が報告した「DFT の計算値と実験値の差（0.081〜0.136 eV/原子）」と比べ、「DFT の精度に近い、または上回る」と述べました事実［参考資料1］。ただし、これは「モデルが実験を予測する精度が、DFT より高い」という意味ではありません。モデルは DFT の値を「正解」として学んでいるので、DFT の誤差（たとえば、バンドギャップの過小評価）は、モデルにも引き継がれます。

(2) データの分け方

CGCNN は、データをランダムに60％・20％・20％に分けました。ランダムに分けると、よく似た組成・構造の材料が、学習側とテスト側の両方に入ることがあります。すると、テストの誤差は「初めて見る材料」より小さく出やすくなります（データ漏洩の可能性。本記事による解説）。Matbench は、13のタスク（312〜約13万件）で、同じ手順で評価できるようにした試験集です。その著者らは、結晶グラフの手法が「約10⁴件以上のデータで従来手法を上回るように見える」と述べ、一方で自動化した従来型の手法（Automatminer）が13タスク中8つで最良だったと報告しています事実［参考資料2］。データの件数によって、向く手法が変わることを示しています。

(3) 回帰の精度と、「安定かどうか」の判定は別です

Matbench Discovery の著者らは、生成エネルギーを精度よく予測できても、「安定か不安定か」の判定では偽陽性が多くなりうることを指摘しています。安定性の境界（凸包の上の 0 eV/原子）の近くでは、小さな誤差でも判定が逆になるためです事実［参考資料14］。Bartel らも、組成だけを使うモデルは、生成エネルギーを予測できても、安定性の予測が悪いと報告しています事実［参考資料15］。

10. 予測と実験は別 ― GNoME の例

GNN が大きく注目されたのは、Google DeepMind の研究グループが2023年に Nature に発表した GNoME です。GNN（グラフネットワーク）で候補を絞り、DFT で確かめ、その結果を再び学習に使うという「能動学習」を繰り返しました。主張と確認の中身を、分けて読みます事実［参考資料3］。

• 計算上の予測：以前のデータに対して安定と計算された構造が約220万、そのうち、更新した凸包の上にある新しい結晶が約381,000。判定は DFT（PBE 汎関数）で、0 K での熱力学的な安定性です事実［参考資料3］。
• 手法の進み方：能動学習の6ラウンドで、「安定な構造を当てる割合（hit rate）」が、構造モデルで6％未満から80％超へ、組成モデルで3％未満から33％へ上がりました。最終モデルの予測誤差は約 11 meV/原子と報告されています事実［参考資料3］。
• 実験との照合：ICSD（無機結晶構造のデータベース）に、他の研究者が独立に実験で得た構造として、GNoME の予測と一致するものが736件ありました事実［参考資料3］。これは、GNoME が新しく合成して確かめた数ではありません。
• 著者自身が挙げる課題：競合する多形の間の相転移、振動を考えた安定性、配置のエントロピーの効果、そして「合成可能性」です事実［参考資料3］。
• 論評：Cheetham と Seshadri（2024）は、この報告について、新規性・信頼性・有用性をすべて満たす化合物の証拠は乏しいと論評し、合成と結晶学の専門知識を取り入れる必要を述べました事実［参考資料16］。両方の見方を並べて読むのが適切です。

11. 素材技術者から見て

12. 限界と、確認できなかったこと／まとめ

(1) 確認できなかったこと

• ALIGNN の「最大85％」の比較の詳しい条件（どの既報モデルと、どのデータセットで比べたか）は、要旨にとどまり、確認していません。
• CHGNet・MACE の評価の数値は、要旨に記載のある範囲にとどめ、他のモデルとの順位づけはしていません。
• CGCNN・MEGNet・SchNet の誤差は、それぞれMaterials Project の取得時期・分割が異なるため、同じ条件の比較ではありません。同一条件で比べた結果は、本稿では確認していません。
• GNoME の736件の個別の照合結果（どの化合物がどの実験報告と一致したか）は、補足資料にあり、本稿では確認していません。
• GNN のMI に特化した国際標準は確認できませんでした。

13. 評価・標準の読み方

GNN の「ものさし」は、まず予測誤差（MAE など。DFT などの正解とどれだけ違うか）です。次に、データの分け方（ランダムか、組成や構造の系で分けたか）と、何と比べた誤差か（DFT の値か、実験値か）です。誤差が小さくても、これらを確かめなければ、自社の材料での実力は分かりません。確認日は2026年10月22日です。

表の整理は本稿の計算（整理）。番号・題名・状態は ISO の公式ページで確認（確認日 2026年10月22日）。規格の本文は有料のため、適用範囲の記載にとどめ、要求事項は書いていません。

読み方の注意（素材技術者向け）

• ベンチマークの順位と、自社の材料での実力は別です：Matbench のタスクは、Materials Project などの公開データです。自社の材料系（組成・構造・測定条件）が、そのデータの範囲に入るかを確かめてください［参考資料2］
• 予測と実験の確認を区別してください：GNoME の約220万は DFT による予測、736は既存の実験報告との一致です。「発見」という言葉が、どちらを指しているか確かめましょう［参考資料3］
• ISO/IEC の標準は、多くが推奨や枠組みです：法令や契約で引用されて初めて拘束力を持つのが一般的です（本記事による解説）。GNN の精度を保証するものではありません［参考資料18・19］

14. 用語集

15. 参考資料（一次情報）

1. Xie T., Grossman J. C. "Crystal graph convolutional neural networks for an accurate and interpretable prediction of material properties", Phys. Rev. Lett. 120, 145301 (2018), DOI 10.1103/PhysRevLett.120.145301 — doi.org/10.1103/PhysRevLett.120.145301
2. Dunn A. ほか "Benchmarking materials property prediction methods: the Matbench test set and Automatminer reference algorithm", npj Comput. Mater. 6, 138 (2020), DOI 10.1038/s41524-020-00406-3 — doi.org/10.1038/s41524-020-00406-3
3. Merchant A. ほか "Scaling deep learning for materials discovery", Nature 624, 80–85 (2023), DOI 10.1038/s41586-023-06735-9 — doi.org/10.1038/s41586-023-06735-9
4. Reiser P. ほか "Graph neural networks for materials science and chemistry", Commun. Mater. 3, 93 (2022), DOI 10.1038/s43246-022-00315-6 — doi.org/10.1038/s43246-022-00315-6
5. Chen C. ほか "Graph networks as a universal machine learning framework for molecules and crystals", Chem. Mater. 31, 3564–3572 (2019), DOI 10.1021/acs.chemmater.9b01294 — doi.org/10.1021/acs.chemmater.9b01294
6. Gilmer J. ほか "Neural message passing for quantum chemistry", Proc. Mach. Learn. Res. 70, 1263–1272 (2017), arXiv:1704.01212 — arxiv.org/abs/1704.01212
7. Schütt K. T. ほか "SchNet: A continuous-filter convolutional neural network for modeling quantum interactions", Advances in Neural Information Processing Systems 30 (2017), arXiv:1706.08566 — arxiv.org/abs/1706.08566
8. Duvenaud D. ほか "Convolutional networks on graphs for learning molecular fingerprints", Advances in Neural Information Processing Systems 28 (2015), arXiv:1509.09292 — arxiv.org/abs/1509.09292
9. Choudhary K., DeCost B. "Atomistic line graph neural network for improved materials property predictions", npj Comput. Mater. 7, 185 (2021), DOI 10.1038/s41524-021-00650-1 — doi.org/10.1038/s41524-021-00650-1
10. Batzner S. ほか "E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials", Nat. Commun. 13, 2453 (2022), DOI 10.1038/s41467-022-29939-5 — doi.org/10.1038/s41467-022-29939-5
11. Batatia I. ほか "MACE: Higher order equivariant message passing neural networks for fast and accurate force fields", arXiv:2206.07697 (2022) — arxiv.org/abs/2206.07697
12. Chen C., Ong S. P. "A universal graph deep learning interatomic potential for the periodic table", Nat. Comput. Sci. 2, 718–728 (2022), DOI 10.1038/s43588-022-00349-3 — doi.org/10.1038/s43588-022-00349-3
13. Deng B. ほか "CHGNet as a pretrained universal neural network potential for charge-informed atomistic modelling", Nat. Mach. Intell. 5, 1031–1041 (2023), DOI 10.1038/s42256-023-00716-3 — doi.org/10.1038/s42256-023-00716-3
14. Riebesell J. ほか "A framework to evaluate machine learning crystal stability predictions", Nat. Mach. Intell. 7, 836–847 (2025), DOI 10.1038/s42256-025-01055-1 — doi.org/10.1038/s42256-025-01055-1
15. Bartel C. J. ほか "A critical examination of compound stability predictions from machine-learned formation energies", npj Comput. Mater. 6, 97 (2020), DOI 10.1038/s41524-020-00362-y — doi.org/10.1038/s41524-020-00362-y
16. Cheetham A. K., Seshadri R. "Artificial intelligence driving materials discovery? Perspective on the article: Scaling deep learning for materials discovery", Chem. Mater. 36, 3490–3495 (2024), DOI 10.1021/acs.chemmater.4c00643 — doi.org/10.1021/acs.chemmater.4c00643
17. Choudhary K. ほか "JARVIS-Leaderboard: a large scale benchmark of materials design methods", npj Comput. Mater. 10, 93 (2024), DOI 10.1038/s41524-024-01259-w — doi.org/10.1038/s41524-024-01259-w
18. ISO/IEC "ISO/IEC 22989:2022 Information technology — Artificial intelligence — Artificial intelligence concepts and terminology", (ISO page) — iso.org/standard/74296.html
19. ISO/IEC "ISO/IEC 5259-1:2024 Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 1: Overview, terminology, and examples", (ISO page) — iso.org/standard/81088.html

16. 主張と出典の対応表（監査）

最終更新：2026年10月22日／出典は一次情報（査読論文、arXiv の論文、ISO・Materials Project の公式ページ）に限定しています。数値例（おもちゃの更新の例、格子の原子数）は本稿の計算で、実際のモデルや材料の結果ではありません。ALIGNN の比較の詳しい条件、CHGNet・MACE の数値の他モデルとの比較、同一条件でのモデル間の比較、GNoME の736件の個別の照合結果、GNN に特化した国際標準については、確認できなかったため記載していません。図はすべて説明用の概念図または本稿の計算を含む作図で、図の枠（AI生成イメージ）は、後で画像を入れるための場所です。